我们提出了一种新颖的基于位置的学习方法，用于清理和解决光学动作捕捉数据。我们提出了一种新的异构图神经网络，将标记点和关节视为不同类型的节点，并使用图卷积操作提取标记点和关节的局部特征并将其转化为清晰的动作。我们的方法在多个数据集上取得了高准确性，相对于最先进方法，对于遮挡的标记点位置误差的预测准确性提高了约 20％，从而进一步降低了重建关节旋转和位置的误差约 30％。

Sep, 2023

BundleMoCap 是一种基于无标记技术的高效、简洁的运动捕捉方法，通过利用局部流形平滑性假设和基于潜在关键帧的插值，能够在单个阶段中解决运动捕捉问题，提供平滑的运动效果，并且无需考虑时间平滑性目标。

Nov, 2023

该论文提出了一种采用基于图像合成方法生成真实图片数据集以训练 CNN 模型，用于解决 3D 人体姿态估计缺少真实数据的问题，并通过在受控环境和实境的表现表明其可行性。

Jul, 2016

最近的研究发展提出了可在 GPU 上加速的适用于机器学习流程的可微分物理模拟器。我们展示了这些模拟器可以用于拟合标记点无遮挡运动捕捉数据的反向运动学，包括缩放模型以适应个体的人体测量值。通过隐式表示的运动轨迹，继而通过正向运动学模型传播，从而最小化重新投影到图像中的 3D 标记点的误差。不同的优化器还提供了其他机会，如在轨迹优化期间添加束调整以细化外部相机参数，或者进行元优化以改善基本模型，并联合使用多个参与者的轨迹。这种方法改善了标记点无遮挡运动捕捉的重新投影误差，并产生了与仪器走道的对照和临床人群相比准确的空间步长参数。

Feb, 2024

本文提出了一种基于学习的单摄像头动作捕捉模型，通过神经网络权重优化预测 3D 形状和骨架配置，结合合成数据的强监督和可微渲染的自监督，实现了在测试时间自适应，并展示了比传统优化方法更好的效果。

Dec, 2017

本文介绍了一种用于真实场景下的、单机位、实时运动捕捉的算法，该算法首次提出了纯物理可行、实时和无标记人类 3D 运动捕捉的算法，通过 CNN 和逆运动学步骤捕捉纯运动，进一步使用物理优化器来处理运动捕捉，实现了全局 3D 人体运动捕捉，而不出现任何不符合生物力学数据的结果。

Aug, 2020

本研究使用 SOMA 神经网络解决基于光学的运动捕捉系统中的标记问题，无需特定的标记标定过程，已在 4 个不同数据集上进行了测试。

Oct, 2021

为帮助智能可穿戴设备研究人员选择最佳的动作捕捉（MoCap）的真实方法，我们提出了一个特定的基於衣物的基准测试，DrapeMoCapBench（DMCB），专门用于评估基于光学标记和无标记的 MoCap 的性能。DMCB 利用大量的真实世界记录的 MoCap 数据集并进行平行的三维物理模拟，包括六级的紧身及松弛程度、三个级别的动作和六种体型 - 性别组合，以评估基于光学标记和低成本的无标记 MoCap 方法在不同场景下的性能，并得出结论无标记 MoCap 在日常活动中稍微优于标记 MoCap，成为可穿戴研究中一种可取且具有成本效益的选择。

Jul, 2023

介绍了一种新的可训练系统，用于物理上合理的无标记 3D 人体运动捕捉，称之为 physionical，该系统在多种具有挑战性的场景下实现了最新技术的结果，其输入为 2D 关节关键点，能够在交互帧速率中生成平滑而物理明确的 3D 动作。

May, 2021

本研究提出了一种名为 HybridCap 的轻量级、混合的 3D 运动捕捉技术，通过仅使用 4 个惯性测量单元的传感器，加上基于合作式门控循环单元块的层次运动推理模块和混合优化方案，可以实现对各种运动的鲁棒跟踪。

Mar, 2022